医学超声图像分割的空间-通道调节网络SCRNet
计算机视觉与模式识别
2025-08-20 v1
摘要
医学超声图像分割是计算机视觉领域的重大挑战。传统方法依赖卷积神经网络(CNN)和基于Transformer的方法来应对医学图像分割的复杂性。然而，CNN方法倾向于忽视长程依赖，而Transformer方法又可能忽视局部上下文信息。为此，我们提出了一种新型特征聚合模块(FAM)，用于处理来自前一层的两个输入特征。这些特征被无缝引入卷积与交叉注意力并行模块(CCAPM)的两个分支，赋予它们在每个分支中不同的角色，以帮助建立两个输入特征之间的强连接。该策略使我们的模块能够同时关注长程依赖和局部上下文信息，通过恰当地融合卷积操作和交叉注意力机制。此外，通过将FAM集成到我们提出的空间-通道调节模块(SCRM)中，增强了对显著区域和值得增加关注的特征信息的辨识能力。进一步，将SCRM引入UNet架构的编码器块中，我们引入了新的框架，称为空间-通道调节网络(SCRNet)。我们进行的大量实验结果表明，SCRNet在与现有方法相比时始终实现了最先进(SOTA)的性能。
引用
@article{arxiv.2508.13899,
title = {SCRNet: Spatial-Channel Regulation Network for Medical Ultrasound Image Segmentation},
author = {Weixin Xu and Ziliang Wang},
journal= {arXiv preprint arXiv:2508.13899},
year = {2025}
}
备注
8 pagegs